Inteligência Artificial para a Identificação de Biomarcadores na Prevenção e no Diagnóstico do Câncer: Avanços e Perspectivas
DOI:
https://doi.org/10.32635/2176-9745.RBC.2024v70n2.4692Palavras-chave:
Neoplasms/epidemiology, Artificial Intelligence, Early Detection of Cancer/methods, Early Detection, Biomarkers/analysisResumo
Introdução: A análise sistemática dos marcadores de câncer e o impacto da inteligência artificial (IA) na detecção precoce e abordagem terapêutica são cruciais no cenário médico atual. O câncer representa uma significativa carga global de morbidade e mortalidade, tornando a identificação precoce dos marcadores uma prioridade para o manejo eficaz da doença. Este estudo visa explorar os avanços recentes na identificação e caracterização dos indicadores de câncer, incluindo biomarcadores genéticos, moleculares, proteicos e de imagem. Objetivo: Analisar os avanços mais recentes na identificação e caracterização dos indicadores de câncer, abrangendo uma variedade de tipos de biomarcadores. Além disso, busca investigar o papel da IA na melhoria e aplicação de métodos para detecção, diagnóstico, prognóstico e tratamento do câncer, destacando suas contribuições significativas para aumentar a precisão e eficiência dessas abordagens. Método: Revisão sistemática da literatura, selecionando estudos relevantes que abordem a identificação de biomarcadores de câncer e o uso de IA nesse contexto com base em critérios específicos de inclusão e exclusão. Resultados: Os resultados desta análise sistemática destacam os avanços recentes na identificação e caracterização dos indicadores de câncer, bem como o impacto da IA no aprimoramento das abordagens de detecção, diagnóstico, prognóstico e tratamento. Conclusão: Este estudo oferece insights valiosos sobre o papel dos indicadores de câncer e da IA na prevenção e manejo da doença, apoiando práticas clínicas baseadas em evidências e promovendo o desenvolvimento de abordagens de assistência médica mais eficientes e individualizadas.
Downloads
Referências
Brito-Rocha T, Constâncio V, Henrique R, et al. Shifting the cancer screening paradigm: the rising potential of blood-based multi-cancer early detection tests. Cells. 2023;12(6):935. doi: https://doi.org/10.3390/cells12060935 DOI: https://doi.org/10.3390/cells12060935
Instituto Nacional do Câncer José Alencar Gomes da Silva. Detecção Precoce do Câncer [Internet]. Rio de Janeiro: INCA; 2021. [acesso 2024 fev 9]. Disponível em: https://www.inca.gov.br/sites/ufu.sti.inca.local/files/media/document/deteccao-precoce-do-cancer.pdf
Ibrahim A, Gamble P, Jaroensri R, et al. Artificial intelligence in digital breast pathology: techniques and applications. The Breast. 2020;49:267-73. doi: https://doi.org/10.1016/j.breast.2019.12.007 DOI: https://doi.org/10.1016/j.breast.2019.12.007
Hunter B, Hindocha S, Lee RW. The Role of artificial intelligence in early cancer diagnosis. Cancers (Basel). 2022;14(6):1524. doi: https://doi.org/10.3390/cancers14061524 DOI: https://doi.org/10.3390/cancers14061524
Fitzgerald J, Higgins D, Mazo Vargas C, et al. Future of biomarker evaluation in the realm of artificial intelligence algorithms: application in improved therapeutic stratification of patients with breast and prostate cancer. J Clin Pathol. 2021;74(7):429-34. doi: https://doi.org/10.1136/jclinpath-2020-207351 DOI: https://doi.org/10.1136/jclinpath-2020-207351
Page MJ, Moher D, Bossuyt PM, et al. Prisma 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. BMJ. 2021;372:n160. doi: https://doi.org/10.1136/bmj.n160 DOI: https://doi.org/10.1136/bmj.n160
University of York. Centre for Reviews and Dissemination. New York: University of York; 2019. PROSPERO - International prospective register of systematic reviews. 2023. [acesso 2023 ago 31]. Disponível em: https://www.crd.york.ac.uk/PROSPERO/
Barreto MS, Carreira L, Marcon SS. Envelhecimento populacional e doenças crônicas: reflexões sobre os desafios para o Sistema de Saúde Pública. Kairós-Gerontologia. 2015;18(1)325-39. doi: https://doi.org/10.23925/2176-901X.2015v18i1p325-339
Davis AA, Gerratana L, Mina M. Cancer evolution: from biological insights to therapeutic opportunities. Front Genet. 2022;13:984032. doi: https://doi.org/10.3389/fgene.2022.984032 DOI: https://doi.org/10.3389/fgene.2022.984032
Libbrecht MW, Noble WS. Machine learning applications in genetics and genomics. Nat Rev Genet. 2015;16(6):321-32. doi: https://doi.org/10.1038/nrg3920 DOI: https://doi.org/10.1038/nrg3920
Ahmed Z, Mohamed K, Zeeshan S, et al. Artificial intelligence with multi-functional machine learning platform development for better healthcare and precision medicine. Database (Oxford). 2020;2020:baaa010. doi: https://doi.org/10.1093/database/baaa010 DOI: https://doi.org/10.1093/database/baaa010
Esteva A, Kuprel B, Novoa R, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-8. doi: https://doi.org/10.1038/nature21056 DOI: https://doi.org/10.1038/nature21056
Zhu Y, Wang M, Yin X, et al. Deep learning in diverse intelligent sensor based systems. Sensors (Basel). 2022;23(1):62. doi: https://doi.org/10.3390/s23010062 DOI: https://doi.org/10.3390/s23010062
Wang T, Antonacci-Fulton L, Howe K. et al. The Human Pangenome Project: a global resource to map genomic diversity. Nature 604. 2022;437-46. DOI: https://doi.org/10.1038/s41586-022-04601-8
Alves-Ferreira M, Guimarães ACR, Cuervo P, et al. Abordagens genômicas, transcriptômicas e proteômicas aplicadas ao estudo de leishmania spp. In: Conceição- Silva F, Alves CR, compiladores. Leishmanioses do continente americano. Rio de Janeiro: Editora Fiocruz; 2014. p. 491-511.
Abram KJ, McCloskey D. A Comprehensive evaluation of metabolomics data preprocessing methods for deep learning. Metabolites. 2022;12(3):202. doi: https://doi.org/10.3390/metabo12030202 DOI: https://doi.org/10.3390/metabo12030202
Chaudhary K, Poirion OB, Lu L, et al. Deep learningbased multi-omics integration robustly predicts survival in liver cancer. Clin Cancer Res. 2018;24(6):1248-59. doi: https://doi.org/10.1158/1078-0432.ccr-17-0853 DOI: https://doi.org/10.1158/1078-0432.CCR-17-0853
Liu G, Dong C, Liu L. Integrated multiple “-omics” data reveal subtypes of hepatocellular carcinoma. PLoS One. 2016;11(11):e0165457. doi: https://doi.org/10.1371/journal.pone.0165457 DOI: https://doi.org/10.1371/journal.pone.0165457
Cifci D, Foersch S, Kather JN. Artificial intelligence to identify genetic alterations in conventional histopathology. J Pathol. 2022;257(4):430-44. doi: https://doi.org/10.1002/path.5898 DOI: https://doi.org/10.1002/path.5898
O’Donnell ST, Ross RP, Stanton C. The Progress of multi-omics technologies: determining function in lactic acid bacteria using a systems level approach. Front Microbiol. 2020;10:3084. doi: https://doi.org/10.3389/fmicb.2019.03084 DOI: https://doi.org/10.3389/fmicb.2019.03084
Gao Q, Yang L, Lu M, et al. The artificial intelligence and machine learning in lung cancer immunotherapy. J Hematol Oncol. 2023;16(1):55. doi: https://doi.org/10.1186/s13045-023-01456-y DOI: https://doi.org/10.1186/s13045-023-01456-y
Alakwaa FM, Chaudhary K, Garmire LX. Deep learning accurately predicts estrogen receptor status in breast cancer metabolomics data. J Proteome Res. 2018;17(1):337-47. doi: https://doi.org/10.1021/acs.jproteome.7b00595 DOI: https://doi.org/10.1021/acs.jproteome.7b00595
Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng. 2017;19:221-48. doi: https: //doi.org/10.1146/annurevbioeng-071516-044442 DOI: https://doi.org/10.1146/annurev-bioeng-071516-044442
Abdelrahman L, Ghamdi M, Collado-Mesa F, et al. Convolutional neural networks for breast cancer detection in mammography: a survey. Computers in biology and medicine. 2021; v. 131, p. 104248. DOI: https://doi.org/10.1016/j.compbiomed.2021.104248
McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. Errata in: Nature. 2020;586(7829):E19. doi: https://doi.org/10.1038/s41586-019-1799-6 DOI: https://doi.org/10.1038/s41586-020-2679-9
Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019;25(6):954-61. https://doi.org/10.1038/s41591-019-0447-x DOI: https://doi.org/10.1038/s41591-019-0447-x
Li H, Lee CH, Chia D, et al. Machine learning in prostate mri for prostate cancer: current status and future opportunities. Diagnostics (Basel). 2022;12(2):289. doi: https://doi.org/10.3390/diagnostics12020289 DOI: https://doi.org/10.3390/diagnostics12020289
Lahiri A, Maji A, Potdar PD, et al. Lung cancer immunotherapy: progress, pitfalls, and promises. Mol Cancer. 2023;22(1):40. doi: https://doi.org/10.1186/s12943-023-01740-y DOI: https://doi.org/10.1186/s12943-023-01740-y
Chen YJ, Abila B, Mostafa Kamel Y. CAR-T: What is next? Cancers (Basel). 2023;15(3):663. doi: https://doi.org/10.3390/cancers15030663 DOI: https://doi.org/10.3390/cancers15030663
Sterner RC, Sterner RM. CAR-T cell therapy: current limitations and potential strategies. Blood Cancer J. 2021;11(4):69. doi: https://doi.org/10.1038/s41408-021-00459-7 DOI: https://doi.org/10.1038/s41408-021-00459-7
Zhang X, Zhu L, Zhang H, et al. CAR-T cell therapy in hematological malignancies: current opportunities and challenges. Front Immunol. 2022;13:927153. doi: https://doi.org/10.3389/fimmu.2022.927153 DOI: https://doi.org/10.3389/fimmu.2022.927153
Instituto Nacional de Câncer. Estimativa 2023: Incidência de câncer no Brasil [Internet]. Rio de Janeiro: INCA; 2022. [acesso 2024 jan 1]. Disponível em: https://www.inca.gov.br/sites/ufu.sti.inca.local/files//media/document//estimativa-2023.pdf
Santos MO, Lima FCS, Martins LFL, et al. Estimativa de incidência de câncer no Brasil, 2023-2025. Rev Bras Cancerol. 2023;69(1):e-213700. doi: https://doi.org/10.32635/2176-9745.RBC.2023v69n1.3700 DOI: https://doi.org/10.32635/2176-9745.RBC.2023v69n1.3700
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Os direitos morais e intelectuais dos artigos pertencem aos respectivos autores, que concedem à RBC o direito de publicação.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
